National Agriculture Imagery Program
PulseAugur coverage of National Agriculture Imagery Program — every cluster mentioning National Agriculture Imagery Program across labs, papers, and developer communities, ranked by signal.
-
InfScene-SR 实现大尺寸遥感场景的无缝超分辨率
研究人员开发了 InfScene-SR，一种使用扩散模型对大尺寸遥感场景进行无缝超分辨率的新方法。该方法解决了当前扩散模型通常局限于小尺寸、固定图像裁剪的局限性。InfScene-SR 采用一种称为空间解耦方差校正 (SDVC) 的方差校正融合技术，能够生成任意大尺寸的场景。该方法支持跨 GPU 并行处理，并在保持清晰度、保真度和接缝连续性方面表现出色，即使在植物分割等下游任务中也是如此。
-
新的SCDF方法提高了卫星图像共配准精度
研究人员开发了一种名为SCDF（自校准位移场）的新方法，用于精确共配准大型光学卫星影像。这种无需训练、无需GPU的方法利用位移场本身作为运动模型，使其能够处理复杂的场景运动而无需预先调整。在真实卫星影像数据集上，SCDF表现出优于现有方法的性能，显著降低了配准误差。
-
地理人工智能工作流程绘制城市树冠及其与城市温度的联系
研究人员开发了一种新的光学地理人工智能工作流程，用于评估加州戴维斯市的城市树冠覆盖。该方法利用高分辨率图像和深度学习模型（如 DeepForest 和 Segment Anything Model (SAM)）来识别和绘制单个树冠和整体树冠表面的地图。该工作流程成功绘制了该市 9.37% 的树冠地图，与现有的激光雷达辅助产品高度一致，并揭示了树冠覆盖与地表温度之间的负相关关系，强调了城市绿化在缓解高温方面的重要性。
-
GeoAI教程详解使用U-Net、DINO、SAM和Mask R-CNN构建足迹提取
本教程详细介绍了使用多种深度学习模型从航空影像中提取建筑足迹的GeoAI工作流程。内容涵盖地理空间环境的设置、使用带有ResNet-34编码器的U-Net模型进行训练以及执行推理。该过程还包括将分割掩码转换为多边形、评估性能指标，以及探索Grounding DINO和SAM的零样本分割，并与预训练的Mask R-CNN模型进行结果比较。
-
新的AI工作流程使用卫星影像和SAM 3绘制农田范围
研究人员开发了一种新的工作流程，使用1米NAIP影像来绘制农田范围和边界。该方法结合了使用Dice主导损失训练的残差U-Net模型和文本提示的Segment Anything Model (SAM 3)。该方法取得了高精度，组合模型在果园行和碎片化地块等具有挑战性的数据集上显示出显著的改进。由此产生的语义农田范围层可以在现有地块地图不足的情况下支持农业监测。
-
新数据集CAFOSat利用AI助力CAFO测绘
研究人员开发了CAFOSat，这是一个旨在利用高分辨率图像改进集约化畜禽养殖场（CAFO）测绘的新数据集。该数据集整合了卫星图像和对谷仓、粪池等基础设施的精细标注，解决了数据不一致和布局带来的挑战。CAFOSat包含20个州的45,000多个图像块，并可作为评估各种AI模型（包括卷积、基于Transformer和视觉-语言架构）的基准。